Eğitimin Amacı ve Kapsamı
Endüstriyel kalite kontrol ve ekipman/sistem izleme süreçlerinde hatalı örnekler hem çok nadirdir hem de yeni kusur tipleri önceden bilinemez. Bu program; yalnızca hatasız (normal) örneklerle eğitilen görsel ve sinyal tabanlı kusur tespiti yöntemlerini (PatchCore, PaDiM, Reverse Distillation, Anomalib), etiketli kusurlar için YOLO ve U-Net/Mask R-CNN ile piksel düzeyinde segmentasyonu, yüksek frekanslı titreşim/akustik/sensör dalga formları için 1D-CNN ve temporal autoencoder modellerini ele alır.
Aydınlatma ve kamera kaymalarına dayanıklılık, sentetik kusur üretimi (CutPaste/diffusion), piksel ve örnek bazlı AUROC/PRO metrikleri ile hat hızına uygun edge çıkarımı uygulamalı işlenir. Katılımcılar bir kalite veya arıza veri seti üzerinde uçtan uca kusur lokalizasyon prototipi geliştirir.
Kimler Katılmalı?
- Üretim, otomotiv, elektronik, tekstil ve enerji sektörlerinde çalışan veri bilimciler ve ML mühendisleri
- Görsel kalite kontrol, tahribatsız muayene (NDT) ve süreç otomasyonu mühendisleri
- Sensör, ses ve sistem loglarından arıza teşhisi yapan AR-GE ekipleri
- Ön koşul: Python ve PyTorch ile temel derin öğrenme deneyimi
Kazanımlar
- Kusurlu örneğin bulunmadığı senaryolarda Anomalib (PatchCore, PaDiM) ile kusur ısı haritası üretmek
- Bilinen kusur sınıfları için tespit (YOLO) ve piksel segmentasyon (U-Net) modellerini eğitmek
- Titreşim, akustik ve akım dalga formlarında 1D-CNN, spektrogram ve autoencoder ile hata yakalamak
- CutPaste ve sentetik kusur enjeksiyonu ile nadir hata sınıflarını zenginleştirmek
- Yanlış ret (hurda) ve kaçan kusur maliyetine göre karar eşiğini kalibre edip hat hızında çalıştırmak
Konular
Endüstriyel Hata Tespiti Formülasyonları
- Denetimli kusur sınıflandırma/bölütleme vs sadece-normal (one-class) öğrenme
- Görsel yüzey kusurları, dalga formu arızaları ve log dizisi hataları
Görsel Kusur Lokalizasyonu: PatchCore, PaDiM ve Anomalib
- Ön eğitimli omurga özellikleri, bellek bankası (coreset) ve Mahalanobis mesafesi
- Piksel düzeyinde anomali ısı haritası ve AUPRO/AUROC değerlendirmesi
Denetimli Tespit, Segmentasyon ve Sentetik Kusurlar
- Küçük yüzey kusurları için döşeme (tiling), YOLO ve U-Net mimarileri
- CutPaste ve kusur sentezleme ile dengesiz veri zenginleştirme
Akustik, Titreşim ve Log Dizilerinde Derin Hata Tespiti
- Ham dalga formu ve Mel-spektrogram üzerinde 1D/2D CNN ve TCN
- LSTM/Transformer Autoencoder ve DeepLog ile sekans arızaları
Kalibrasyon, Kamera/Sensör Kayması ve Hat Üstü Dağıtım
- Aydınlatma, parti (batch) değişimi ve yanlış ret (overkill) kontrolü
- ONNX/TensorRT ile milisaniye seviyesinde hat üstü çıkarım
Bu Kategorideki Diğer Eğitimler
-
N-BEATS, N-HiTS, Temporal Fusion Transformer (TFT), PatchTST, DeepAR ve TCN ile çok değişkenli, uzun ufuklu ve olasılıksal zaman serisi tahmini; NeuralForecast ve PyTorch Forecasting ile uygulama.
- Canlı Kurs
- 5 modül
-
Büyük ölçekli derin öneri mimarileri: Two-Tower vektör arama (FAISS/Qdrant), SASRec/BERT4Rec ile oturum dizisi önerileri, DeepFM/DCN-v2/DLRM ile CTR/CVR sıralama ve çok hedefli (MMoE) öğrenme.
- Canlı Kurs
- 5 modül
-
Türkçe ve çok dilli metinlerde ön işleme, morfoloji, regex, tokenizasyon, TF-IDF, kelime/cümle embedding'leri, spaCy ve scikit-learn/Hugging Face ile ilk metin sınıflandırma, NER ve duygu analizi modelleri.
- Canlı Kurs
- 5 modül
-
Düşük etiketli ortamlarda ileri NLP: domain-adaptive pretraining (MLM), DeBERTa/RoBERTa fine-tuning, LoRA/PEFT, SetFit ile few-shot öğrenme, zayıf denetimli etiketleme (Cleanlab/LLM-destekli), uzun belge ve çok dilli modeller.
- Canlı Kurs
- 5 modül
-
Sinir ağlarıyla uçtan uca NLP: alt-kelime tokenizasyonu, BiLSTM-CRF ve Transformer (BERT, DeBERTa, T5) mimarileri; Hugging Face Transformers ve PyTorch ile dizi etiketleme, seq2seq özetleme ve soru yanıtlama.
- Canlı Kurs
- 5 modül
-
NLP modellerini yüksek trafikte düşük maliyet ve gecikmeyle çalıştırma: ONNX/Optimum niceleme, Triton/FastAPI servis, dinamik batching, PII maskeleme (Presidio), davranışsal test (CheckList) ve metin drift izleme.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
